• 한국해안·해양공학회논문집
• /
• 제33권6호
• /
• pp.333-344
• /
• 2021

해양모니터링 자료에서 빈번하게 발생하는 장기결측구간의 자료 보충기법을 제안한다. 제안하는 방법은 결측구간의 장기변동 추세 성분과 단기변동 잔차성분을 추정하여 조합하는 방식으로 결측구간의 미지 정보를 추정한다. 이 방법을 이용하여 울릉도 해상부이 자료의 수온 항목, 약 1개월 정도의 장기결측 구간의 자료를 보충하였으며, 부이에서 관측하는 자료 항목에 대해서도 결측 보충을 수행하였다. 보충된 자료는 항목에 따라 차이를 보이지만 변동양상이 적절하게 재현되는 것으로 파악되었다. 이 방법은 추세추정과 잔차 반영에 따른 편향오차와 분산오차가 발생하지만, 장기결측으로 인한 통계적인 측도 추정의 편향오차는 크게 절감하는 것으로 파악되었다. 결측보충 모형의 추정 RMS 오차의 평균과 90% 신뢰구간은 각각 0.93, 0.35~1.95 범위이다.

• 한국수자원학회:학술대회논문집
• /
• 한국수자원학회 2020년도 학술발표회
• /
• pp.63-63
• /
• 2020

최근 머신러닝 기술의 발전에 따라 비선형 시계열자료에 대한 예측이 가능해졌으며, 기존의 과정기반모형을 대체하여 지하수, 하천수 예측 등 다양한 수문분야에 활용되고 있다. 본 연구에서는 기존의 연구들과 달리 과정기반모형을 이용한 하천수 모의결과를 개선하기 위해 과정기반모형과 결합하는 방식으로 머신러닝 기술을 활용하였다. 머신러닝 기술을 통해 관측값과 모의값 간의 차이를 예측하고 과정기반모형의 모의결과에 반영함으로써 관측값을 정확히 재현할 수 있도록 하는 시스템을 구축하고 평가하였다. 과정기반모형으로는 Weather Research and Forecasting model-Hydrological modeling system (WRF-Hydro)을 소양강 유역을 대상으로 구축하였다. 머신러닝 모형으로는 순환 신경망 중 하나인 Long Short-Term Memory (LSTM) 신경망을 이용하여 장기시계열예측이 가능하게 하였다(WRF-Hydro-LSTM). 머신러닝 모형은 2013년부터 2017년까지의 기상자료 및 유입량 잔차를 이용하여 학습시키고, 2018년 기상자료를 이용하여 예상되는 유입량 잔차를 모의하였다. 모의된 잔차를 WRF-Hydro 모의결과에 반영시켜 최종 유입량 모의값을 보정하였다. 또한, 연구에서 제안된 새로운 방법론의 성능을 비교평가하기 위해 머신러닝 단독 모형으로 유입량을 학습 후 모의하였다(LSTM-only). 상관계수와 Nash-Sutcliffe 효율계수(NSE)를 사용해 평가한 결과, LSTM을 이용한 두 방법(WRF-Hydro-LSTM과 LSTM-only) 모두 기존의 과정기반모형(WRF-Hydro-only)에 비해 높은 정확도의 하천수 모의가 가능했으며, PBIAS 지수를 사용하여 평가한 결과, LSTM을 단독으로 사용하였을 때보다 WRF-Hydro와 결합했을 때 더 관측값과 가까운 모의가 가능함을 확인할 수 있었다.

• 응용통계연구
• /
• 제37권2호
• /
• pp.191-207
• /
• 2024

자기상관 공정에서 이상상태를 빠르게 탐지하는 절차에 대해 많은 연구가 진행되어 왔다. 가장 전통적인 절차는 관측된 데이터에 대해 적합한 시계열 모형에서 계산된 잔차를 이용하는 잔차 관리도이다. 그러나 최근에는 통계적 학습 방법을 이용하여 자기상관 공정을 모니터링하는 절차가 많이 제안되었다. 이 논문에서는 딥러닝에 기반한 비지도 학습 방법인 LSTM Autoencoder의 잠재 벡터를 이용한 모니터링 절차를 제안하고, 이를 모의실험을 통해 LSTM Autoencoder의 복원 오차를 이용한 절차, RNN 분류 모니터링 절차, 그리고 잔차 관리도 절차의 성능과 비교하였다. 모의실험 결과, 제안된 절차와 RNN 분류 모니터링 절차의 성능은 유사하지만, 제안된 절차는 학습에 이상상태의 데이터가 필요하지 않기 때문에 이상상태의 데이터를 충분하게 확보할 수 없는 공정에 유용하게 적용할 수 있다는 장점이 있다.

• 디지털정책학회지
• /
• 제3권3호
• /
• pp.9-14
• /
• 2024

본 논문은 단일 영상 기반의 초해상도에서 결과의 품질을 개선하기 위해 적응형 가중치를 적용한 잔차 블록으로 구성된 다중 블록 구조를 이용하는 방법을 제안하였다. 딥러닝을 이용한 초해상도를 생성하는 과정에서 품질 향상을 위한 가장 중요한 요소는 특징 추출 및 적용이다. 해상도가 낮아 이미 손실된 세부사항을 복원하기 위해 다양한 특징을 추출하는 것이 최우선이지만 네트워크의 구조가 깊어지거나 복잡해지는 등의 문제가 발생하기 때문에 실제 적용에서 제한사항이 있다. 따라서 특징 추출 과정은 효율적으로 구성하고 적용 과정을 개선하여 품질을 개선하였다. 이를 위해 최초 특징 추출 이후 다중 블록 구조를 구성하였고 블록 내부에는 중첩된 잔차 블록을 구성한 뒤 적응형 가중치를 적용하였다. 또한 최종 고해상도 복원을 위해 다중 커널을 이용한 영상 재구성 과정을 적용함으로써 결과물의 품질을 향상시켰다. 평가를 위해 원본 영상 대비 PSNR과 SSIM 값을 구하였고 기존 알고리즘과 비교하여 제안하는 방법의 성능 향상을 확인하였다.

• 한국항공우주학회지
• /
• 제45권10호
• /
• pp.881-891
• /
• 2017

본 논문에서는 인공위성의 궤도예측을 위해 사용되는 미국 합동우주관제센터(JSpOC, Joint Space Operation Center)의 TLE(Two Line Element) 정보에 대한 SGP4(Simplified General Perturbations 4) 모델의 장기 궤도예측 오차를 줄이기 위해 과거의 TLE 정보들을 이용한 보상기법을 적용하여 새로운 TLE 정보를 생성하는 방법에 대해 기술하고 있다. 이를 위해 과거 특정 시점에서의 TLE 정보를 바탕으로 현재까지 궤도전파를 한 데이터와 동일기간 동안 미국 합동우주관제센터에서 공개된 모든 TLE를 이용해서 궤도전파를 수행한 데이터를 비교하여 계산한 궤도잔차를 이용하였다. 이러한 궤도잔차 성분은 SGP4 궤도전파 모델에 의한 궤도오차 증가 경향을 보여주고 있기 때문에 궤도오차 보정을 위해 해당 궤도잔차 성분들을 적절한 함수로 표현하였다. 이후, 현재 시점에서 공개된 TLE 정보를 이용한 SGP4 궤도전파 데이터에 해당 잔차함수를 적용함으로써 장기 궤도전파에 따른 SGP4 모델의 궤도오차를 줄일 수 있었으며, 이를 바탕으로 새로운 TLE 정보를 생성하였다. 본 논문에서 일주일의 궤도전파에 대한 시뮬레이션을 통해 기존의 TLE를 이용한 궤도전파 오차가 4km 정도인 반면 새로운 TLE 생성기법에 의한 궤도전파 오차가 약 2km 수준으로 줄어드는 것을 확인할 수 있었다.

• 수산해양기술연구
• /
• 제31권4호
• /
• pp.326-339
• /
• 1995

이 연구에서는 전보에서 어군의 유영공간을 3차원으로 고려하여 제안한 어군행동을 나타내는 수치 모델의 타당성을 검토하기 위하여 수치 모델의 잔차에 대한 백색성검정 및 실험과 시뮬레이션에 의한 결과를 비교하는 두 가지 방법을 사용하였다. 모형 그물이 없는 경우와 모형 그물이 있는 경우 모두 잔치의 평균이 0에 가까우며, 그 표준편차는 대체로 $\pm$7 이내로서 잔차의 거동이 안정된 것으로 나타났다. 또한, 개체수가 5마리 이상이고 유속이 20cm/sec 이하인 경우에는 수치 모델에 의한 잔차의 자기상관함수가 95%의 유음수준에서 유음한 것으로 나타났으므로, 잔차는 백색잡음의 양상으로 나타나는 것으로 볼 수 있으며, 이 수치 모델은 대체로 타당한 것으로 간주할 수 있다. 실험과 시뮬레이션에 의한 결과에 대하여 어군의 유영특성을 나타내는 지표로서 유영궤적, 수조벽과 개체 사이의 거리, 유영속도, 유영 깊이, 개체상호간의 최근접거리 등을 비교하면, 실험과 시뮬레이션에 의한 결과가 완전히 일치하지는 않으나 대체로 그 경향이 유사한 것으로 나타났다. 이상의 결과에서 어군의 유영공간을 3차원으로 고려하여 유속의 변화에 따른 어군행동의 추정이 어느 정도 가능해짐으로서, 앞으로 보다 발전된 모델링 기법을 도입하면 현장에서의 적용가능성이 있을 것으로 생각된다. 그러나, 이러한 일련의 연구에서는 실험의 편의를 위하여 시간의 변화에 따른 유향과 유속의 변화를 고려하지 않고 일정 방향의 일정 유속만을 고려하였기 때문에, 현장에서의 적용을 위해서는 환경요인, 공간상의 환경조건 및 어군의 규모에 의한 차이 등 해결해야 할 문제점이 많이 남아 있다. 현단계에서의 과제는 축양장과 같은 제한된 공간에서의 어군행동의 예측, 제어등이 가능하도록 모델링에 관한 연구가 계속되어야 할 것이다.

• 대한토목학회논문집
• /
• 제31권5B호
• /
• pp.449-457
• /
• 2011

최근 기후변화/변동으로 인한 집중호우가 증가하여 수문기상재해에 따른 피해가 증가하고 있다. 미래의 발생가능한 극한 강우사상에 대응하기 위해, 일반적으로 수문학적 빈도해석을 이용하여 목표연도의 설계 강우량을 산정한다. 이것은 수문빈도 해석에 적용된 강우자료가 정상성임을 가정하여 설계 강우량을 산정하는 것이다. 하지만, 최근 관측된 강우자료를 살펴보면, 통계적 특성이 시간에 따라 변하는 경우가 있다. 본 연구는 연최대강우량의 회귀직선에 대한 잔차의 수문학적 빈도해석을 바탕으로, 가까운 미래로 설정된 목표연도의 확률강우량을 산정하는 방법을 제안하였다. 현재까지의 관측자료를 기초로 선형회귀식의 추세선을 이용하여 잔차 시계열을 생성하고, 잔차에 대한 확률밀도함수를 추정한 후, 추세선의 증가 및 감소 경향을 고려하여 확률강우량을 산정하였다. 14개의 강우관측지점에 적용한 결과, 증가경향을 보이는 경우에는 현시점까지의 자료에 대한 선형회귀식을 산정한 후, 목표연도까지 연장했을 때의 추세요소를 산정한 방법이 보다 적합한 확률강우량을 산정하는 것으로 나타났다. 이러한 결과는 정상성을 바탕으로 추정한 확률강우량과 비교했을 때, 5-25%의 예측편차가 1-22% 정도로 감소하였다.

• 대한환경공학회지
• /
• 제28권11호
• /
• pp.1198-1206
• /
• 2006

본 연구는 국내 도시개발 및 택지개발에서 많이 사용되고 있는 국립환경과학원식('99)에 대한 평가 및 검증을 수행하였다. 국립환경과학원식(NIER('99))은 두 변수 사이의 일차적인 관계가 얼마나 강한 정도를 제시하기 위해 결정계수($R^2$)와 표본 Pearson 상관계수(r)를 실측치와 예측치를 토대로 층별로 평가한 결과 1층 92.4%(r=0.96), 3층 38.7%(r=0.66), 5층 42$(r=0.65), 7층 7.5%(r=0.27), 10층 28.4%(r=0.53), 13층 35.6%(r=0.60), 15층 52.7%(r=0.73) 등의 결과를 보였다 선형 회귀를 통해 반응 변수(Y)와 예측 변수(X) 사이의 선형 관계를 조사하여 모형화하고 검증하기 위한 결과 1층을 제외한 모든 층에서 종속변수를 설명할 수 있는 기여율이 60% 이하로 회귀모형의 설명력이 상당히 떨어지는 것이 1.5 m 이상 높이에서 예측식 수립이 필요할 것으로 판단된다. 또한 등분산성을 토대로 잔차(residual) 대 적합지(fitted value)를 선택하여 예측식을 검증한 결과 1층의 경우 이상적 분포로 적합치에서 잔차들이 -5와 5 사이에 분포되어 있지만 1층을 제외한 나머지 층에 대해서는 이분산 혹은 비선형 분포로 잔차들이 -5에서 5사이에 분포되고 있는 것을 확인 할 수 있었다.

• 대한토목학회논문집
• /
• 제41권5호
• /
• pp.513-522
• /
• 2021

스마트폰은 3축 방향 가속도를 기록할 수 있는 MEMS 센서를 포함하고 있고 무선통신망 장치가 내장되어 실시간으로 진동 데이터를 관측하고 전송할 수 있다. 이러한 특징을 기반으로 스마트폰을 지진관측망으로 사용하는 데 큰 장점으로 작용한다. 현재 국내 영남권에 시범적으로 279개의 스마트폰이 설치되어 지진관측망으로 사용되고 있다. 본 연구에서는 스마트폰 관측 지진기록의 유효성을 확인하기 위해 국가지진관측망의 지진관측소 기록과 스마트폰의 관측기록을 비교하였다. 비교에 활용된 데이터는 2019년에 발생한 5개의 지진에 대한 기록이며, 기상청과 한국지질자원연구원의 지진관측소에서 기록한 321개의 데이터와 스마트폰에서 기록한 145개의 데이터이다. 최대지반가속도(PGA)를 추출한 후, 지반운동예측식(GMPE)을 스마트폰 기록에 적용하여 PGA와 최대수평가속도(PHA)의 잔차를 분석하였다. 분석 결과, 스마트폰 MEMS 센서 관측기록의 자연대수 평균 잔차는 0.59로 약 1.8배 큰 PHA를 관측하였다. 또한, 스마트폰 MEMS 센서의 설치 층수가 높아질수록 잔차가 줄어드는 경향을 확인하였는데, 이는 지진파 응답스펙트럼의 경향과 비슷하다.

• Communications for Statistical Applications and Methods
• /
• 제1권1호
• /
• pp.131-140
• /
• 1994

Box-Jenkins 시계열 분석에서 모형검진을 위한 통계량으로 잔차의 자기상관함수를 이용한 Box와 Pierce(1970)의 포트맨토우 검정과 Ljung과 Box(1978)의 변형된 포트맨토우 검정을 Basawa(1987)가 제안한 예측오차를 이용한 모형 검진 방법과 비교, 분석하였다. 시뮬레이션 연구를 수행하여 경험적 평균, 분산 및 유의 수준을 비교하여 과대적합의 방법을 이용하여 검정력을 비교하였다.